多项式

多项式 (Polynomial)

多项式（Polynomial）是代数中最基本的数学对象之一，由有限个单项式的和构成。每个单项式包含一个系数与一个或多个变量的非负整数次幂的乘积。多项式不仅是纯数学理论的核心内容，在经济学、计量经济学和统计学中也被广泛用于函数逼近、成本函数建模和回归分析等实际应用。

定义与基本概念

设 $x$ 为变量，含有 $n$ 个单项式的多项式可表示为：

其中 $a_0, a_1, \ldots, a_n$ 称为系数（coefficients），$a_n$ 称为首项系数（leading coefficient）。$n$ 为非负整数，称为多项式的次数（degree），记作 $\deg(P) = n$。例如，$P(x) = 4x^3 - 2x^2 + x - 7$ 是一个三次多项式，首项系数为 4，常数项为 $-7$。

多项式可按变量个数分为一元多项式（univariate polynomial）和多元多项式（multivariate polynomial）。一元多项式仅含一个变量，如上述示例；多元多项式包含多个变量，如 $Q(K, L) = 3K^2L + 2KL - 5L^2$ 是二元二次多项式，常见于生产函数建模。

多项式的基本运算

多项式遵循代数运算的基本规则：

• 加法与减法：合并同类项（相同变量和次数的项）。
• 乘法：分配律展开后合并。两多项式乘积的次数为各自次数之和。
• 除法：长除法（long division）或综合除法（synthetic division），满足 $P(x) = D(x)Q(x) + R(x)$，其中 $R(x)$ 的次数小于 $D(x)$ 的次数。
• 合成：$P(Q(x))$，将 $Q(x)$ 代入 $P$ 的变量。

多项式的根或零点（root/zero）是满足 $P(r) = 0$ 的值 $r$。因式定理指出，$r$ 是 $P(x)$ 的根当且仅当 $x - r$ 是 $P(x)$ 的因式。

代数基本定理

代数基本定理（Fundamental Theorem of Algebra）是多项式理论的核心结论：任意非常数的复系数一元 $n$ 次多项式在复数域中至少有一个根。更一般地，该多项式恰有 $n$ 个复数根（计重数）。这一理论保证了一元多项式总能分解为线性因式的乘积：

其中 $r_1, r_2, \ldots, r_n$ 为复根。

当系数为实数时，非实复根成共轭对出现。例如，$P(x) = x^2 + 1$ 有根 $i$ 和 $-i$，二者互为共轭复数。这一性质在傅里叶变换和信号处理中有重要应用。

特殊多项式及其应用

在经济学和统计学中，几类特殊多项式具有关键作用。

一次多项式又称线性函数（linear function），$P(x) = a_1 x + a_0$，对应直线。线性函数是经济学供需模型、预算线、最优决策的基本构件。二次多项式 $P(x) = ax^2 + bx + c$ 的图形为抛物线。二次成本函数（$a > 0$ 时边际成本递增）和二次效用函数在微观经济学中广泛使用。

切比雪夫多项式（Chebyshev polynomials）在数值分析中用于函数逼近，可显著降低多项式插值中的龙格现象。勒让德多项式（Legendre polynomials）是正交多项式族的代表，在回归分析中用于构造正交基以减少多重共线性。

多项式在回归分析中的应用

多项式回归（polynomial regression）是线性回归的重要推广形式。模型为：

尽管解释变量以多项式形式出现，模型在参数上仍为线性，因此可直接使用普通最小二乘法（OLS）进行估计。多项式回归常用于捕捉边际效应递减、U形或倒U形关系等非线性模式。

在应用时需注意几点问题。首先，高次多项式（$k \geq 4$）易导致过拟合，即在样本内拟合良好但样本外预测能力退化。其次，多项式项之间存在强共线性，可考虑使用正交多项式（如 Gram-Schmidt 正交化）加以缓解。此外，多项式回归在外推时极不可靠，超出数据范围后预测值可能急剧发散。

多项式与插值

插值（interpolation）是构建经过给定数据点的多项式的过程。拉格朗日插值（Lagrange interpolation）和牛顿插值（Newton interpolation）是两种经典方法。给定 $n+1$ 个互异节点，存在唯一的次数不超过 $n$ 的多项式通过这些节点。在数值积分（如高斯求积）和样条插值中，多项式插值是基础工具。

综上所述，多项式作为最基本的函数表示形式，在代数理论、数值方法和经济建模中有深远影响。从初等代数到高等计量方法，多项式以简洁的表达和良好的计算性质持续发挥着不可替代的作用。